[發明專利]基于深度學習的散熱器件冷卻通道快速拓撲優化設計方法

有效

• 申請號: 201810090450.2
• 申請日: 2018-01-30
• 公開（公告）號: CN108280305B
• 公開（公告）日: 2020-03-13
• 發明（設計）人: 林起崟;劉正;李寶童;洪軍;王繼紅
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F30/23
• 分類號: G06F30/23
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 安彥彥

1.基于深度學習的散熱器件冷卻通道快速拓撲優化設計方法，其特征在于，包含以下步驟：

1)選取已知散熱器件作為范本，建立數值分析模型，劃分有限元網格，施加邊界條件和約束條件；

2)采用各向正交懲罰材料密度方法對所選取的已知散熱器件進行完整的優化分析，獲得并輸出優化過程中每一迭代步的高導熱材料密度分布圖和密度梯度分布圖；

3)將步驟2)獲得的每一步迭代的高導熱材料密度分布圖和密度梯度分布圖作為深度學習算法的輸入和訓練集，進行深度學習和訓練，獲得訓練后的深度神經網絡；

4)建立待優化散熱器件的數值分析模型，劃分有限元網格，施加邊界條件和約束條件；

5)采用各向正交懲罰材料密度方法對待優化散熱器件進行初步優化分析，經若干迭代步后隨即終止迭代，獲得并輸出待優化散熱器件的高導熱材料的密度分布圖和密度梯度分布圖；

6)將步驟5)獲得的高導熱材料密度分布圖和密度梯度分布圖作為深度學習算法的輸入和訓練起點，輸入到步驟3)獲得的經訓練后的深度神經網絡；

7)開展深度學習與訓練，獲得并輸出訓練優化后的待優化散熱器件的高導熱材料的密度分布圖和密度梯度分布圖；

8)根據步驟7)獲得的高導熱材料密度分布圖構建冷卻通道結構的拓撲構型，完成散熱器件冷卻通道結構的快速拓撲優化設計。

2.根據權利要求1所述的基于深度學習的散熱器件冷卻通道快速拓撲優化設計方法，其特征在于，步驟1)的施加的邊界條件具體包含以下內容：

1)生熱源的位置、形式和數值大小信息；其中，形式為溫度或熱流密度；

2)已知散熱器件邊界處的溫度或熱流密度信息；

3)熱沉的位置、形式和數值大小信息；其中，形式為溫度或熱流密度。

3.根據權利要求1所述的基于深度學習的散熱器件冷卻通道快速拓撲優化設計方法，其特征在于，步驟4)的施加的邊界條件具體包含以下內容：

1)生熱源的位置、形式和數值大小信息；其中，形式為溫度或熱流密度；

2)待優化散熱器件邊界處的溫度或熱流密度信息；

3)熱沉的位置、形式和數值大小信息；其中，形式為溫度或熱流密度。

4.根據權利要求1所述的基于深度學習的散熱器件冷卻通道快速拓撲優化設計方法，其特征在于，步驟1)和步驟4)中的約束條件具體包含以下內容：

1)有限元劃分網格數；

2)高導熱材料的體積分數；

3)最優化目標。

5.根據權利要求1所述的基于深度學習的散熱器件冷卻通道快速拓撲優化設計方法，其特征在于，所述步驟3)中進行深度學習和訓練的方式為，將步驟2)的最末一個迭代步獲得的高導熱材料密度分布圖作為標簽，將步驟2)迭代過程中間每一迭代步獲得的高導熱材料密度分布圖和密度梯度分布圖作為數據；采用步驟2)迭代過程中間每一迭代步獲得的高導熱材料密度分布圖與最末一個迭代步獲得的高導熱材料密度分布圖之間的二進制交叉熵函數作為最終損失函數，據此進行深度學習和訓練。

6.根據權利要求1所述的基于深度學習的散熱器件冷卻通道快速拓撲優化設計方法，其特征在于，所述步驟3)和步驟7)中的深度學習和訓練采用卷積神經網絡進行。

7.根據權利要求1所述的基于深度學習的散熱器件冷卻通道快速拓撲優化設計方法，其特征在于，所述的深度學習算法采用Adam優化算法。